不同分辨率图片匹配_超实用的图像超分辨率重建方法及应用介绍

在之前的文章中已经讲述过很多的传统超分辨率算法。而在AI领域中这几年也是很大热门。CVPR2017超分辨有7篇论文，2018 ICCV共有9篇 ，在CVPR2018中，共收录979篇，而超分辨率论文有14篇，占比1.43%，CVPR2019共收录1300篇文章， 超分辨率领域的文章一共有18篇(有两篇是讲Zoom和视频的)，占比1.38%。

CVPR2019的相关论文中从一作的名字来看，18篇中只有2篇不是华人一作。可见，在这一领域，华人有着绝对优势，这一点在国内的宣传上也能体现出来，华为，小米，还有旷视，商汤等算法公司都在大力宣传自己的AI超分辨率算法。

很多超分辨率的技术已经在日常应用中出现。比如：

(1) 手机图片浏览展示：例如微信压缩后的图片进行超分辨率恢复。有时候你会发现同一张图片在不同手机上的效果不一样，这里面超分辨率的算法尽了一份力。

(2)视频观看及在线视频点播：在线视频点播中希望传输过程中能尽量减少数据流量，但是又希望能够在用户观看视频的时候能够提高分辨率。另外一些用户上传的视频质量并不高需要上传后进行分辨率的提升。因此上传后解码后进行超分率的提升很有必要。

(3)拍照：用户对于拍照功能下面分辨率需求是永远没有止境的。

学术研究的热点有时和实际使用中有些不同，通常的超分辨率分两种：SISR和VSR。前者叫做单图像超分辨率，后者叫做视频超分辨率。通常理解的超分辨率都是指SISR，只需要输入一张低分辨率图像而获得高分辨率图像的输出，这也是学术的研究热点。单帧一直是个理想的目标，但是现实使用中往往多张图片生成的超分辨率图片效果更好，效率也更高，因此实际产品有条件使用多帧的时候也会尽量使用。

根据已有的论文，大致整理了一下目前针对AI超分辨率的研究方向。分别从超分辨中常见的研究方向和方法进行讨论，主要集中在上采样，损失函数，深度网络结构设计，超分辨率的评价方法，训练图片和格式，无监督学习下的超分辨率和特殊领域下的应用

-上采样(升采样)

超分辨是不是一定要上采样呢？其实分辨率一定要像素提升。但是如果大幅度的提升分辨率提升像素是必须的。上采样并非超分辨独创技术，简单的来说就是提高图片的像素数，很早之前插值算法就是一种升采样技术。2000到2010年前后由于相机像素较低&#x